• 从认知卸载到认知负债：AI 执行时代的人类能力护城河

• 当 AI 从 “回答问题” 到 “自主做事”：人类最该守住什么？

• 你沉淀的 SOP，可能正在变成 AI 替代你的技能手册

• Skill 正在重构 Agent 生态，但更危险的是认知负债

如果把 2026 年的 AI 变化浓缩成一句话，我更愿意这样说：过去我们是在教 AI 回答问题，现在我们开始教 AI 做事。

这两者看着只差一个字，影响却完全不是一个量级。

回答问题，更像请一个聪明助手给建议。做事，则意味着它开始接触流程、规则、工具、权限，甚至开始接触原本属于人的经验。

也正是在这个过程中，一个越来越高频的词冒了出来：Skill（技能）。

一

很多人第一次听到这个词，会以为它只是提示词工程换了个名字。其实不是。

Skill 更像一份给 Agent 准备的标准化操作手册。它把人类做某件事的方法、步骤、边界、例外情况，以及要调用哪些工具，尽量清楚地封装起来。

Agent 不用重新训练，也不必改底层模型，只要加载这份“说明书”，就能更像样地把一件具体工作做起来。

这件事为什么重要？因为它击中了 AI 落地里最现实的问题，不是理想，不是想象力，而是投入产出比（ROI）。

过去不少大模型演示都很惊艳，但真到企业使用时，问题马上出现了。一个任务让模型自己规划，自己分解，自己反复试错，最后可能也能跑通，但要消耗大量时间和 token，结果还未必稳定。

企业当然会问：如果我花了这么多钱、这么多资源，为什么得到的还是一个不稳定的“聪明实习生”？

Skill 恰恰是在解决这个问题。它不是让模型凭空变得更聪明，而是让模型少走弯路，按人类已经验证过的方法做事。

你可以把它理解成，企业终于不再满足于“一个会聊天的 AI”，而是开始把真实业务里的成熟流程，一点点写成 AI 能执行的规则。

从这个角度看，Skill 的本质不是炫技，而是把经验变成可调用的生产资料。

这也是为什么，越来越多公司开始认真看待技能体系、工作流和 Agent。各方观点与相关研报与已经非常明确地指向这一点。

二

Agent Skills 强调，技能是一种轻量、可复用、可渐进加载的能力封装；OpenAI 关于 Codex 的研究则显示，越来越多用户已经从“问模型”转向“把任务委托给模型”；像 Glean 这样的企业服务公司，也直接把“企业经验打包成可复用技能”作为产品方向。

这背后透露出的变化其实很清楚：AI 正在从知识工具变成执行工具。

而一旦它开始执行，问题就来了。人类到底在把什么交给 AI？

答案不是某个单点技能，而是整套做事方法。

以前一个人会做事，很多能力藏在脑子里，藏在经验里，藏在一些说不清但很关键的判断里。

现在为了让 Agent 能复现这些结果，人们不得不把这些经验尽量写出来、结构化、标准化。哪些步骤必须先做，哪些信息需要复核，什么情况下要停下来交给人，哪些异常不能自动放行，这些都要写清楚。

你每写清楚一次，本质上都是在把人的经验翻译成机器可执行的语言。

这件事当然有巨大的正面价值。

它让组织知识不再只掌握在少数人手里，让重复劳动更容易自动化，让一个新手也能借助既有技能更快完成工作。

它还让企业第一次有机会把“会做事的人”变成“会被复用的方法”。从管理的角度看，这很诱人。因为优秀员工难复制，优秀流程更容易复制。

可问题也恰恰出在这里。

当一个人的经验被不断拆解、整理、固化成 Skill 之后，企业得到的是一套更稳定的能力资产，但个人可能失去的是自己原本最稀缺的护城河。

过去很多岗位的价值，来自“你会做、别人不会做”。一旦你的做法被沉淀成标准流程，再被 AI 大规模调用，这个岗位的独特性就会被迅速冲淡。

这不是危言耸听，而是已经发生的组织现实。

很多企业一边鼓励员工沉淀方法论、建设知识库、整理 SOP，另一边也在思考如何用 AI 把这些沉淀转化成更低成本的执行能力。

表面看，这是组织效率升级。换个角度看，它也是把原本依附在个体身上的技能，逐步迁移到系统里。

所以，真正值得警惕的，未必是 AI 会不会“觉醒”，而是人在提升系统效率的同时，会不会顺手把自己的不可替代性也交出去。

三

这就把问题推到了更深的一层：如果 AI 越来越会做事，人类还剩下什么？

我越来越倾向于一个判断：未来最稀缺的能力，不再只是“会不会做”，而是“会不会判断、会不会监督、会不会在关键时刻负责”。

这也是 Human-in-the-Loop 一直被反复强调的原因。很多人把它理解成“系统里加个人就行了”，其实远远不是。

扩展阅读：从 Human-in-the-Loop 到 Agent Governance，理解 Agent 时代的人类角色

真正的人在回路中，不是当摆设，不是等着最后点个确认按钮，而是要保留决策权、介入权和升级处理的能力。尤其当 Agent 开始能订票、付款、调系统、改流程时，人类的角色更像飞行员和调度员，而不是围观者。

换句话说，AI 越强，人类越不能只保留一个“名义上的存在”。

人要保住的是判断力。判断力听起来抽象，其实一点都不抽象。它包括至少三件事。

第一，知道什么时候可以自动化，什么时候不可以。不是所有流程都适合交给 Agent。高频、规则清楚、容错高的任务可以先放；高风险、责任重、异常多的任务，必须让人保留最后决定权。

第二，知道系统什么时候在“看起来正确”。AI 最麻烦的地方，不只是犯错，而是会用很像样的方式犯错。一个流程跑完，不代表结论可信；一个回答像真的，不代表真的能落地。这里面需要的是经验，也需要警惕性。

第三，知道出了问题谁来兜底。机器不会承担责任，系统也不会承担责任，最后承担责任的还是人。未来很多岗位的核心价值，恐怕就体现在这里：不是你亲手做了多少，而是你能不能在关键节点把风险拦下来。

我不太认同“人以后只要会提需求就够了”这种说法，就有这方面原因。

会提需求当然重要，但如果一个人自己已经不理解问题，不理解流程，也不理解后果，那么他提出来的需求，很容易只是把判断权完整外包给系统。

四

更大的风险还不只是岗位替代，而是认知能力的慢性流失。

学界这几年反复讨论的一个现象，叫认知卸载（Cognitive Offloading）。

意思很简单，本来该由人自己完成的记忆、推理、判断，被越来越多地交给外部工具。工具当然能提升效率，但如果长期只用它代替思考，而不是辅助思考，人脑相关能力就会逐渐变弱。

再往前一步，就是认知负债（Cognitive Debt）：当你习惯了“让 AI 先想”，慢慢就会变成“离开 AI 不太会想”。

这件事在日常里其实已经很明显了。有人写邮件先让 AI 起草，有人开会先让 AI 总结，有人遇到问题先让 AI 给答案。

短期看，效率很高；长期看，如果人越来越少亲自分析、归纳、推演，很多能力就会像长期不用的肌肉一样，慢慢退化。

所以问题不只是“AI 会不会替代你”，还有“你会不会因为太依赖 AI，先把自己替代掉”。

这时候再回头看 Skill，就会发现它有一种很复杂的双重性。

一面，它确实是今天 Agent 走向可用、可管、可复用的关键基础设施。

没有 Skill，没有工作流，没有 guardrails，很多所谓智能体只会停留在演示视频里。企业不会为一个不稳定的黑箱买单，组织也不可能把核心业务交给完全不可控的系统。

另一面，Skill 又在逼着人类把经验持续外化。

你封装的每一份技能，都是在扩大系统的能力边界。你当然能因此获得更高效率，但也等于在推动“人的知识资产”从个体转移到平台、从经验转移到程序、从老师傅转移到系统。

这不是该不该做的问题，因为它已经在发生。真正的问题是，人要怎么在这个过程中保住自己的位置。

五

我觉得至少有两件事不能丢。

第一，保住独立思考。AI 可以是副驾驶，但不能成为你的大脑外包商。

它可以帮你搜集信息、整理材料、生成初稿、列出备选方案，但最后的判断最好还是要回到人自己身上。一个长期只接受结论、不训练判断的人，迟早会在变化面前失去方向。

第二，保住至少一项压箱底技能。这个技能不一定是编程，也不一定是写作。

它可以是判断复杂局面的能力，可以是与人沟通协商的能力，可以是跨系统整合资源的能力，也可以是某个行业里别人一时替代不了的专业经验。

关键不在于它多炫，而在于它是不是你真正拿得出手、能在关键时刻立得住的东西。

BCG 关于劳动力转型的研究有一个很重要的提醒：AI 带来的变化，很多时候不是简单替代，而是岗位重塑。

问题在于，如果基础任务都被系统接管，年轻人还从哪里练出基本功？如果很多入门环节消失了，人类又如何成长为未来需要的判断者和监督者？

这其实是下一阶段更大的社会命题。我们不只是要思考怎么让 Agent 更强，还要思考怎么让人依然有机会在真实工作中形成能力。

六

还有一个经常被忽略的问题，是能源和基础设施。

今天很多人谈 Agent，谈的都是能力边界、商业落地、岗位变化，但很少有人继续追问：如果未来海量 Agent 真正进入生产、服务、办公、家庭场景，背后的算力、电力和基础设施是否撑得住？

IEA 的研究已经提醒过，推理、视频生成和 agentic tasks 的能耗，远高于普通文本问答。也就是说，AI 不只是软件问题，也是电力问题、硬件问题、社会成本问题。

这提醒我们，AI 的未来并不是一条无限上升的光滑曲线。它既受模型能力约束，也受治理能力约束，还受现实世界的能源条件约束。

说到底，Skill 让 AI 更会做事，这件事本身没有错。问题在于，人类不能在教会 AI 的同时，把自己的判断力、监督力和独立思考也一并交出去。

因为到最后，真正决定人还有没有价值的，可能不是你会不会执行一个流程，而是当系统跑得很快、答案来得很轻松、自动化越来越普遍时，你还能不能停下来问一句：

这个结果靠谱吗？

这个决定该不该交给机器？

如果出了问题，谁来负责？

这几个问题，看上去不如“提效”那么性感，却可能才是人类在 Agent 时代最不能失守的能力。